随着智能交通的迅速发展,基于卷积神经网络的车型分类识别技术受到大量关注。传统机器学习的车型分类识别方法主要以浅层模型为主,此方法的缺点:一是层次数目较少,建模能力和表达能力有限;二是分类识别结果依赖于传统方法提取的浅层特征,而浅层特征表达能力往往有限,导致分类结果并不理想。因此采用车辆运动过程中产生的混叠、间断、多源噪声信号,采用声音传统特征分析研究车型分类识别仍是一个难题。本文针对上述研究现状及难点,以车辆声信号处理及深度学习技术为基础,着重对基于卷积神经网络的车型分类识别方法进行分析和研究。主要研究内容如下:1)采集车辆声音信号,去除冗余信息凝练实验所需特征集。通过分析声音信号具有频率范围广、采样率高、量化后的信号数据量较庞大等特点,直接输入分类器和神经网络后效果较差。因此在对车型进行分类识别之前,需对信号进行预处理及传统特征提取,并打上对应的标签。通过实验需求,建立研究所需实验数据库,为后续研究工作做好数据准备。2)基于卷积神经网络的车型分类识别方法研究。对比分析机器学习和深度学习模型对车型分类识别的有效性,结合车辆声音信号的高度复杂性使得信号表征问题能够很好地使用深度学习所提供的高度抽象,并且卷积神经网络特有的卷积和池化操作可以有效表达和处理音频信号隐藏在频域中的一些典型特征,本文提出基于卷积神经网络的车型分类识别方法。首先使用经典卷积神经网络Le Net-5进行车型分类识别,结果表明Le Net-5对本文数据集的分类性能很不理想,损失函数的值不下降,模型不收敛,无准确率可言。通过分析原因,对Le Net-5网络进行改进得到三种卷积神经网络CNN1、CNN2、CNN3。3)实验验证设计的三种卷积神经网络车型分类识别模型的有效性,实验结果表明卷积神经网络对车型具有较好的分类性能;并与经典的浅层模型K近邻和SVM的分类性能进行对比,结果表明改进的CNN1、CNN2及CNN3的分类准确率较浅层模型K近邻及支持向量机均有大幅度提升;对比验证模型在数据集1和数据集2上的分类性能,结果表明数据量增大,卷积神经网络的准确率有所提升,而浅层模型反而下降,证明卷积神经网络在处理大数据集时较擅长处理小样本的浅层模型具有一定的优势。